基于物理模型和数据驱动方法的泵-涡轮机在瞬态过程中的压力脉动预测：以负载拒绝瞬态过程为例

《Energy》：Pressure Pulsation Prediction of Pump-Turbine During Transient Processes Based on Physical Model and Data-Driven Approach: A Case Study of Load Rejection Transient Process

　　**摘要**
随着风能、太阳能和水力发电等间歇性能源的大规模整合，抽水蓄能电站（PSPs）不得不频繁地在多种运行状态之间切换，这导致了瞬态过程的显著增加。提前预测这些瞬态过程中的压力脉动（PP）对于确保PSP的安全性具有重要意义。本研究提出了一种结合物理模型和数据驱动方法的智能PP预测模型。首先，基于特性线方法构建了一个物理模型，用于计算PSP关键测量点的水锤压力（WHP）。其次，提出了一种基于连续变分模态分解的数据增强模型，该模型可以将单个PP数据集扩展为任意数量的样本。接着，开发了一个PP预测模型，该模型是一个深度学习模型，结合了一维多尺度卷积神经网络、双向长短期记忆网络和注意力机制。该模型能够准确表示WHP和PP之间的复杂非线性相互作用。最后，将计算得到的WHP输入到训练好的模型中以预测PP。利用国内三个PSP的负荷拒绝测试的历史瞬态数据来验证所提出策略的有效性。研究结果表明，在100%负荷拒绝情况下，蜗壳入口处PP的最大振幅预测误差仅为0.76%。本文为PSP中瞬态PP的智能预测提供了一个全面的基础模型。

**引言**
作为可再生且高度灵活的清洁能源，抽水蓄能电站（PSPs）在当前的电力供应结构中发挥着重要作用[1]、[2]、[3]。然而，由于风能和太阳能等间歇性能源的广泛并网，PSPs被迫在非设计运行条件下频繁切换，导致瞬态过程显著增加[4]、[5]、[6]。这使得PSP的流体通过部件在运行过程中需要承受更多的瞬态压力脉动。可逆泵-涡轮机是PSP中最常用的机组类型[7]。由于泵-涡轮机的S特性，在PSP的瞬态过程中，特别是在负荷拒绝瞬态过程中，机组将经历更强烈的压力脉动（PP）[8]、[9]、[10]。在部分负荷范围内运行时，泵-涡轮机的PP振幅会增加，振动加剧，甚至可能导致诸如转轮开裂等问题[11]。在极端负荷拒绝条件下，如果PP振幅超过设计标准，电站结构可能会受损，造成经济损失和人员伤亡。目前，中国建设的PSP数量已经相当可观，这些电站的历史运行数据也显著增加。通过结合机组的历史运行数据来提前预测瞬态过程中可能发生的PP，可以帮助电站运行和维护人员提前评估电站的风险水平，并提前调整电站的运行状态，以避免严重的瞬态运行条件。因此，准确预测瞬态过程中可能遇到的强烈PP并预先评估其安全性能对于确保PSP的安全性和电网的稳定性至关重要。本研究致力于PSP中瞬态PP的智能预测。研究工作可以分为三个子研究内容，包括PSP的瞬态物理模拟、历史运行数据的增强以及PP的智能预测。PSP的瞬态过程是指PSP从一个稳态过渡到另一个稳态的过程[12]、[13]。在此过程中，机组会受到更大的压力波动，特别是在负荷拒绝瞬态条件下。基于电站的结构参数，提前计算PSP在危险运行条件下可能面临的极端压力等调节保证参数对于指导电站设计至关重要。PSP的物理模拟模型是计算水锤压力（WHP）、流量和冲击室冲击等运行参数的重要技术手段。通过物理模拟模型，可以根据相关电站参数（如管道布局参数和机组参数）提前预测电站的安全性能，这对于确保电站投入运行后的安全运行至关重要[14]、[15]。目前，在PSP的系统建模中，广泛使用了泵-涡轮机的六参数模型以及水导系统的刚性和弹性模型[16]、[17]、[18]、[19]。然而，上述模型的构建依赖于过多的假设，难以有效描述PSP在瞬态运行过程中的动态特性。基于特性线方法（MOC）的特征曲线插值模型克服了上述模型的局限性，并已广泛应用于PSP的瞬态模拟模型构建[20]。由于本研究涉及相对复杂的PSP负荷拒绝瞬态模拟，因此采用了MOC方法来构建PSP模拟模型。根据以往的相关研究，PSP的历史瞬态运行数据非常稀缺，尤其是负荷拒绝瞬态数据，通常仅限于单一原型负荷拒绝测试[21]。这意味着可用的过去瞬态数据量非常有限。目前，关于PP数据增强的研究相对较少，特别是针对负荷拒绝瞬态数据的研究。由于负荷拒绝瞬态数据通常很长，包含数万到数十万个数据点，这对算法的数据增强计算效率提出了很高的要求。因此，构建计算效率高且增强效果良好的数据增强模型至关重要。现阶段，大多数数据增强研究集中在图像识别、数据分类和故障诊断等领域。Peng等人[22]提出了一种DA-GAN数据增强模型来实现声纳图像的扩展。Mahir等人[23]开发了一种基于GAN的图像样本增强模型，实现了猴痘的准确检测。Zhang等人[24]引入了一种名为TPFed的神经网络技术，将数据增强和故障诊断相结合，实现了故障数据的有效增强。虽然上述方法在一定程度上解决了数据稀缺的问题，但它们都采用了神经网络模型，在处理长序列数据时计算效率较低。特别是对于PSP的瞬态数据，单个数据通常包含数万到数十万个数据点。此外，负荷拒绝瞬态过程的水力过程复杂多变，数据特征表现出高度的非线性和复杂性。因此，开发一种计算效率高且能高度保留原始PP数据非线性特征的数据增强方法至关重要。

**压力脉动**
PSP运行过程中的压力脉动可能导致一系列问题，如旋转部件不平衡和结构振动损伤。准确预测PP是确保PSP安全性和稳定性的重要技术手段。其中，预测PSP在危险运行条件下的PP振幅有助于提前发现潜在的安全风险，从而采取预防措施。现有的PSP瞬态PP预测方法主要基于计算流体动力学（CFD）的3D瞬态模拟。Shen等人[25]使用CFD数值模拟工具模拟了满负荷条件下的瞬态过程，实现了转轮内PP峰值的优化。Xia等人[26]采用全通道CFD模拟了转轮内的压力波动演变过程，为改进转轮设计和优化启动策略提供了理论支持。Zhang等人[20]提出了基于1D-MOC和CFD的数值模拟模型，实现了PSP蜗壳和导流管内PP的计算。研究结果与现场测量数据进行了匹配，以确保所提模型的有效性。尽管CFD模型在PSP PP预测方面取得了显著的应用成果，但3D瞬态模拟模型存在一些局限性：（1）它们依赖于模型假设，在某些情况下可能不适用，导致模型计算结果精度较低；（2）它们对计算资源要求较高。CFD计算通常消耗大量计算资源，在某些场景中无法满足需求；（3）当前的CFD研究通常局限于水力机械系统，难以考虑水导系统和尾水系统等管道系统对压力波动过程的总体影响。为了解决上述问题，本研究提出了一种结合物理模型和数据驱动方法的智能PP预测模型。具体研究贡献如下：
（1）基于MOC构建了PSP的瞬态模拟模型。该模型能够准确计算PSP负荷拒绝瞬态过程中的机组转速、WHP等参数。利用记录的负荷拒绝瞬态数据验证了模拟模型的精度，实现了从电站指定系统特性到WHP的准确映射。
（2）提出了一种基于连续变分模态分解（SVMD）的数据增强方法，以克服PP数据有限的问题。该模型可以将单组瞬态PP数据扩展为任意数量的组，同时在保证计算效率的同时，高度保留了PP数据的强非线性特征。
（3）提出了一种结合物理模型和数据驱动方法的智能瞬态PP预测模型。设计了一种深度神经网络模型，结合了多尺度卷积神经网络（1D-MCNN）、双向长短期记忆（BiLSTM）和注意力机制（AM）。基于两个已完成国内PSP的测量历史负荷拒绝瞬态数据，该模型成功预测了另一个电站负荷拒绝瞬态过程中的PP，预测振幅误差仅为0.76%。

**研究结构**
本文的结构如下：第2节简要阐述了研究方法的基本理论；第3节详细介绍了所提方法的步骤；第4节展示了研究案例和数据集；第5节提供了实验结果；第6节进行了讨论；第7节包含了结论。

**管道系统**
在建立水道系统模型时，本研究考虑了水的弹性。描述管道中非稳态水流的连续性方程和动量方程可以表示为[27]：
其中，V和t分别代表流速和时间；x表示沿管道轴的坐标距离；H是水头；g是重力加速度；f和D分别代表管道摩擦系数和管道直径；α是水的...

**物理模拟模型**
物理模型是计算抽水蓄能系统瞬态过程的重要技术手段。基于MOC的物理模型是一种广泛认可且有效的非线性模型。本文构建的基于MOC的PSP物理模型可以根据电站的结构参数，有效计算PSP在各种瞬态条件下的关键参数，包括任何测量点处的WHP、导叶开度和机组转速。

**案例描述**
本研究的研究对象包括中国的三个PSP，分别命名为电站A、B和C。这里假设电站C处于设计阶段，用于验证所提方法的性能。使用电站A和B的历史瞬态压力脉动数据来预测电站C的瞬态PP。在这些站点中，A站、B站和C站每个站点都包括一个上层水库、一个下层水库、一个水调系统以及对物理模型的仿真计算和结果验证。为了测试本研究中提出的策略的有效性，选择了C站最危险的瞬态条件进行验证。当两个单元同时拒绝负荷时，这些单元的蜗壳压力将会经历一个严重的压力脉动（PP）过程。如图9所示，当两个单元拒绝100%的负荷时，蜗壳入口处的最大压力远高于其他两种情况。这对预测能力提出了重大挑战。

讨论
本研究提出了一个结合了物理模型和数据驱动方法的智能PP预测模型，能够准确预测电力系统（PSPs）在瞬态条件下的压力脉动幅度。本章讨论了该研究的应用场景和应用价值。

数据增强模型：本研究提出的数据增强模型可以将PP扩展到任意数量的数据集，并且对数据长度的要求较低。即使数据包含数万个数据点，该模型仍然能够有效工作。

结论
本研究提出了一个结合了物理模型和数据驱动方法的智能PP预测模型，能够准确预测PSPs中的瞬态压力脉动，并为PSPs中的PP预测提供了新的方法。这对于预评估电站的风险水平以及优化其运行具有重要意义。本研究的主要发现如下：
(1) 所提出的物理模型能够准确计算压力、流量和转速等参数。

作者贡献声明
叶兰琴：监督、形式分析、数据整理。
张健：撰写-审阅与编辑、监督、形式分析。
王一然：可视化、软件、方法论。
刘志涵：可视化、软件、形式分析。
周廷新：撰写-初稿、验证、软件、方法论、调查。
于晓东：撰写-审阅与编辑、资源获取、资金筹措。

利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢
作者感谢江苏省自然科学杰出青年学者基金（项目编号：BK20240084）、国家水灾防治重点实验室（项目编号：5240152H2）以及国家水灾防治重点实验室开放研究基金计划（项目编号：2024490811）的支持。